Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Feature Randomness
Introduction d'aléatoire dans la sélection des variables prédictives pour chaque arbre de décision, réduisant la corrélation entre les modèles de l'ensemble.
Bagging Estimator
Modèle composite résultant de l'application du bagging, combinant les prédictions de plusieurs estimateurs de base par vote ou moyenne.
Bootstrap Sample Size
Nombre d'observations dans chaque échantillon bootstrap, typiquement égal à la taille de l'ensemble d'entraînement original pour maximiser la diversité.
Parallel Learning
Capacité du bagging à entraîner les modèles de base indépendamment et simultanément, offrant des avantages computationnels significatifs.
Model Diversity
Mesure de dissimilarité entre les prédictions des modèles de base, essentielle pour l'efficacité du bagging et obtenue par l'échantillonnage bootstrap.
Bootstrap Distribution
Distribution empirique des statistiques calculées sur de multiples échantillons bootstrap, utilisée pour estimer l'incertitude des prédictions.
Bagging Classifier
Implémentation spécifique du bagging pour les problèmes de classification, utilisant généralement le vote majoritaire pour combiner les prédictions.
Bagging Regressor
Version du bagging adaptée aux problèmes de régression, combinant les prédictions par moyenne ou médiane des modèles de base.